在之前的文章中已经讲述过很多的传统超分辨率算法。而在AI领域中这几年也是很大热门。CVPR2017超分辨有7篇论文,2018 ICCV共有9篇 ,在CVPR2018中,共收录979篇,而超分辨率论文有14篇,占比1.43%,CVPR2019共收录1300篇文章, 超分辨率领域的文章一共有18篇(有两篇是讲Zoom和视频的),占比1.38%。
CVPR2019的相关论文中从一作的名字来看,18篇中只有2篇不是华人一作。可见,在这一领域,华人有着绝对优势,这一点在国内的宣传上也能体现出来,华为,小米,还有旷视,商汤等算法公司都在大力宣传自己的AI超分辨率算法。
很多超分辨率的技术已经在日常应用中出现。比如:
(1) 手机图片浏览展示:例如微信压缩后的图片进行超分辨率恢复。有时候你会发现同一张图片在不同手机上的效果不一样,这里面超分辨率的算法尽了一份力。
(2)视频观看及在线视频点播:在线视频点播中希望传输过程中能尽量减少数据流量,但是又希望能够在用户观看视频的时候能够提高分辨率。另外一些用户上传的视频质量并不高需要上传后进行分辨率的提升。因此上传后解码后进行超分率的提升很有必要。
(3)拍照:用户对于拍照功能下面分辨率需求是永远没有止境的。
学术研究的热点有时和实际使用中有些不同,通常的超分辨率分两种:SISR和VSR。前者叫做单图像超分辨率,后者叫做视频超分辨率。通常理解的超分辨率都是指SISR,只需要输入一张低分辨率图像而获得高分辨率图像的输出,这也是学术的研究热点。单帧一直是个理想的目标,但是现实使用中往往多张图片生成的超分辨率图片效果更好,效率也更高,因此实际产品有条件使用多帧的时候也会尽量使用。
根据已有的论文,大致整理了一下目前针对AI超分辨率的研究方向。分别从超分辨中常见的研究方向和方法进行讨论,主要集中在上采样,损失函数,深度网络结构设计,超分辨率的评价方法,训练图片和格式,无监督学习下的超分辨率和特殊领域下的应用
-上采样(升采样)
超分辨是不是一定要上采样呢?其实分辨率一定要像素提升。但是如果大幅度的提升分辨率提升像素是必须的。上采样并非超分辨独创技术,简单的来说就是提高图片的像素数,很早之前插值算法就是一种升采样技术。2000到2010年前后由于相机像素较低&#x